Investissements: ne pas confondre causes et conséquences!

Vous souhaitez investir sur les marchés sans l’aide de personne? Laissez-nous vous présenter une clé statistique essentielle pour devenir un investisseur plus avisé, soucieux de s’enquérir de la qualité des données statistiques qui lui sont présentées et capable de faire l’effort intellectuel critique d’aller vérifier ses sources.

Dans sa série de contenus sur la finance comportementale, myLIFE ne cesse de vous mettre en garde contre ces biais cognitifs qui faussent le jugement et peuvent vous amener à prendre de mauvaises décisions d’investissement. Face à ces biais, nous insistons régulièrement sur l’utilité de se faire accompagner par des professionnels. Cela étant, rien ne vous interdit d’y aller seul.

Si tel est votre cas, vous êtes très certainement en quête d’indicateurs fiables pour appuyer votre prise de décision. En effet, chercher à évaluer la performance potentielle d’un investissement signifie se placer dans une démarche d’analyse factuelle, basée sur des chiffres et, plus vraisemblablement, sur des statistiques.

Rechercher des indicateurs pour vous aider à décider constitue un bon réflexe, à condition qu’ils soient basées sur des données fiables et pertinentes. Aussi vrai qu’une bonne recette de cuisine sur papier donnera un mauvais plat si on utilise des ingrédients de mauvaise qualité, une bonne analyse statistique ne peut pas produire de résultats fiables si elle est alimentée par des données erronées ou faussées.

Une analyse statistique ne peut pas produire de résultats fiables si elle utilise des données erronées ou faussées.

« Garbage in Garbage out! »

« Garbage in Garbage out » se plaisent à clamer les Anglo-Saxons. Ils ont raison, de mauvaises données entrées dans un système de calcul ne peuvent pas donner d’indicateurs fiables à la sortie. Il est ainsi essentiel de comprendre que s’il y a du « bruit dans les données » qui détériore leur qualité, il est quasiment certain que vous aurez du « bruit » dans les enseignements que vous pourriez en retirer au terme de votre analyse.

Imaginons la situation suivante: comme chaque matin, un investisseur se met en quête d’informations financières susceptibles d’orienter ses décisions d’investissements. Il fait le tour de ses médias préférés, de ses mails, des réseaux sociaux professionnels et de son cercle de connaissances. Au détour d’une lecture, il découvre que des scientifiques émettent l’hypothèse d’un lien entre la consommation de tel aliment et la régression de telle maladie. La nouvelle éveille sa curiosité, mais il ne s’y attarde pas. Comment pourrait-il exploiter une telle information pour investir? Le lien en question n’est pas du tout démontré à ce stade et, de toute manière, les détails de cette étude ne sont pas explicitement rapportés.

Peu de temps après, il lit le tout dernier post d’un blogger influent qui partage un graphique édifiant: la courbe d’un indice boursier auquel il a accès suit, depuis 10 ans et de manière spectaculairement proche, la courbe du rendement de production des bananes au Brésil. Pourquoi chercher plus loin, notre investisseur pense avoir trouvé un bon filon, c’est évident!

Voyez-vous le lien entre les deux exemples? À y regarder de plus près, les deux situations sont très similaires et notre investisseur serait bien inspiré de mettre ses préférences de lecture de côté et, dans les deux cas, de prendre le temps de l‘investigation pour comprendre ce qui pourrait se cacher derrière ces informations. Dans les deux cas, il existe manifestement une corrélation probable entre deux variables, mais cela ne signifie pas forcément qu’il existe un mécanisme causal entre elles. Et en statistiques, cette différence entre corrélation et causalité change tout.

Contrairement à une cause, une corrélation n’est qu’une mesure historique et temporaire entre deux éléments qui ne sont pas forcément liés. Rien ne permet de s’assurer que cette statistique est stable dans le temps et pertinente pour le futur. En investissement, des esprits malveillants peuvent prendre un malin plaisir à rechercher des corrélations sur des périodes non significatives pour biaiser le jugement de l’investisseur.

Moralité? Lorsqu’on vous parle d’une stratégie d’investissement prometteuse, assurez-vous toujours que celle-ci n’est pas basée sur de simples corrélations, mais bien sur de véritables relations de cause à effet.

Il faut tenir compte d’une règle d’or statistique: la corrélation n’est pas égale à la causalité.

La corrélation n’est pas la causalité

Ne perdez jamais de vue cette règle d’or en analyse statistique: la corrélation n’est pas égale à la causalité. Ce n’est pas parce que les mouvements de deux variables se suivent étroitement dans le temps que l’une cause l’autre.

Avant de prendre une décision d’investissement, assurez-vous ainsi toujours que ces informations qui vous sont montrées ne soient pas ce que les Anglo-Saxons nomment des « spurious correlations » ou des corrélations fallacieuses.

En statistique, une corrélation fallacieuse, fait référence à une connexion entre deux variables qui semble causale mais ne l’est pas. Cette fausse corrélation est souvent causée par un troisième élément appelé facteur confondant, qui n’est pas apparent au moment de l’examen des informations présentées.

Notre cerveau aime les histoires simples et se plaît à établir des liens faciles à assimiler, là où il n’y en a pas forcément. Véritable machine à tirer des conclusions rapides, il peut très facilement nous amener à croire, à la lecture d’un graphique, que le mouvement de la variable A est lié au mouvement de la variable B ou vice versa. Or, un examen statistique plus approfondi peut faire apparaître qu’un mouvement similaire sur un graphique n’est pas une causalité mais une simple coïncidence.

Pour vous aider à comprendre, voici un exemple de la vie courante, à la fois crédible, récurrent et dont la supercherie est facile à débusquer. C’est un classique de l’été que de mettre en relation et de montrer la corrélation, généralement élevée, entre l’augmentation du nombre de ventes de glaces et du taux de mortalité. Mais ce ne sont bien évidemment pas les glaces qui sont mortelles. Dans cet exemple, si la chaleur estivale est particulièrement élevée, il est logique que chacun ait envie de manger plus de glaces et que les personnes à la santé fragile aient malheureusement plus de chance de succomber à la canicule.

Ici, le facteur confondant est certainement la chaleur et la causalité peut très certainement être précisée au point de trouver le nombre de jours de chaleur exact ainsi que la température précise au-delà de laquelle, tant les ventes de glaces que la mortalité augmentent.

Vous voilà prévenu! Et si vous souhaitez approfondir cette question des corrélations fallacieuses à travers quelques exemples, nous vous invitons à lire le contenu suivant: « Évaluation de performance: méfiez-vous des apparences! »